| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源及研究的目的和意义 | 第9-10页 |
| 1.2 国内外在该方向的研究现状及分析 | 第10-17页 |
| 1.2.1 图像融合技术 | 第11-12页 |
| 1.2.2 机器学习 | 第12-15页 |
| 1.2.3 集成学习 | 第15-17页 |
| 1.3 本文主要研究内容及结构安排 | 第17-19页 |
| 第2章 高光谱与 SAR 图像的特征提取 | 第19-44页 |
| 2.1 高光谱与 SAR 图像特性分析 | 第19-25页 |
| 2.1.1 高光谱图像特性分析 | 第19-22页 |
| 2.1.2 SAR 图像特性分析 | 第22-25页 |
| 2.2 高光谱图像的特征提取 | 第25-34页 |
| 2.2.1 基于 PCA 的高光谱图像特征提取 | 第26-27页 |
| 2.2.2 基于 LDA 的高光谱图像特征提取 | 第27-28页 |
| 2.2.3 基于 SVM-PP 的高光谱图像特征提取 | 第28-34页 |
| 2.3 极化 SAR 图象的特征提取 | 第34-39页 |
| 2.3.1 H/A/α分解 | 第35-36页 |
| 2.3.2 Freeman 分解 | 第36-37页 |
| 2.3.3 Yamaguchi 分解 | 第37-39页 |
| 2.4 特征提取实验 | 第39-43页 |
| 2.4.1 高光谱图像实验 | 第39-41页 |
| 2.4.2 极化 SAR 图像实验 | 第41-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第3章 基于机器学习的特征层融合分类研究 | 第44-59页 |
| 3.1 MGB-LOOC 分类器 | 第44-50页 |
| 3.1.1 Meta-Gaussian 分布 | 第45-49页 |
| 3.1.2 余一法 LOOC 参数估计 | 第49-50页 |
| 3.1.3 贝叶斯准则 | 第50页 |
| 3.2 MGB-LOOC 分类器实验 | 第50-52页 |
| 3.3 主动学习 | 第52-55页 |
| 3.3.1 主动学习理论分析 | 第52-53页 |
| 3.3.2 样本查询标准 | 第53-54页 |
| 3.3.3 隶属度函数估计 | 第54-55页 |
| 3.4 主动学习实验 | 第55-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 基于多分类器集成学习的决策层融合分类研究 | 第59-69页 |
| 4.1 多分类器集成学习基础理论 | 第59-60页 |
| 4.2 随机森林思想 | 第60-63页 |
| 4.2.1 Bagging 算法 | 第61页 |
| 4.2.2 AdaBoost 算法 | 第61-63页 |
| 4.3 AdaBoost 改进算法 | 第63-66页 |
| 4.3.1 Gentle AdaBoost 基础理论 | 第64页 |
| 4.3.2 Gentle AdaBoost.MH 改进算法 | 第64-65页 |
| 4.3.3 决策树树桩结构 | 第65-66页 |
| 4.4 多分类器集成学习实验 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
